Učit se, učit se, učit se platí pro stroje mnohonásobně víc, než pro nás lidi, ale je právě na lidech, jak jim to učení půjde. V současné době se nejen v Silicon Valley prakticky nenajde společnost, která by netvrdila, že má pro Artificial Intelligence řešení, ale při bližším zkoumání je ve skutečnosti takových společností jen pár. Moving Fast se v rámci svého dalšího setkání podívá na tento problém prostřednictvím tří řečníků z pohledu výzkumu Machine Learningu, jeho monitoringu a použití v praxi.
Více info na meetup.com
ŘEČNÍCI:
VÍT LISTÍK
Vývojář nadšený do webových technologií, machine learningu a DevOps. Aktuálně pracuje v Seznam.cz, konkrétně řeší anti-spam pro email.cz a technologie pro interní cloud. V anti-spamu se věnuje převážně zpracování obrazu za použití strojového učení, což je i téma jeho Ph.D. studia.
O ČEM BUDE MLUVIT?
– Jak si zprovoznit vývojové prostředí pro strojové učení. Konkrétněji za použití Tensorflow, Dockeru a Jupyteru.
– Jak si zjednodušit život s frameworkem Keras.
– Jak využít předtrénované modely.
– Proč je lepší využívat k učení GPU.
– Co je to pipeline a jaké kroky obsahuje.
– Kde získat data.
– Jak se zlepšovat ve strojovém učení.
– Jak dostat model do produkčního prostředí a jak ho škálovat.
JAN GAURA
Po ukončení Ph.D. pracuje jako odborný asistent na Katedře informatiky FEI VŠB – TU Ostrava ve skupině analýzy obrazu a počítačové grafiky. Ve své práci se zabývá analýzou obrazu, převážně pak rozpoznáním a klasifikací objektů a své znalosti předává studentům ve specializovaných předmětech. K jeho oblíbeným nástrojům patří jazyky C a Python a framework PyTorch pro machine learning.
O ČEM BUDE MLUVIT?
Machine learning pro zpracování obrazu
Machine learning zažívá obrovský rozmach, tak se pojďme podívat, odkud se vzaly pojmy jako deep learning, konvoluční neuronové sítě, jak fungují a v čem nám mohou pomoci. Představíme si detekci objektů v obrazech pomocí konvolučních neuronových sítí s využitím frameworku PyTorch. Deep learning vyžaduje velké množství dat pro učení, podíváme se, jak si můžeme částečně usnadnit práci vytvářením dat pomocí generativních adversariálních sítí. Nakonec se seznámíme s nejzajímavějšími místy internetu, kde je možné najít informace pro to, abychom se machine learning dobře naučili nebo se jen inspirovali pro jeho další využití.
LUKÁŠ REVAY
Softwarový inženýr ve společnosti CGI, který občas programuje v jave a c/c++. O strojové učení se začal zajímat hlavně kvůli problematice monitorování velkých integrací postavených na (mikro)službách. Své znalosti programování a strojového učení chce nadále prohlubovat a používat i v oblasti hejnové inteligence.
O ČEM BUDE MLUVIT?
„Monitorování systému strojovým učením“
Monitorování infrastruktury je poměrně známá a prozkoumaná věc. Problémy nenastávají jen na úrovni hardwaru, ale i softwaru a i člověk dokáže věci pěkně zkomplikovat, ať už nesprávnou konfigurací nebo chybami v implementaci. Abychom byli schopni toto všechno detekovat, je monitoring samozřejmostí. V případě dohledu člověka není možné všechno vyhodnotit správně a vědět, které volání a procesy jsou, případně nejsou, správné. Proto jsme se rozhodli tuto část problematiky řešit prostřednictvím strojového učení spolu s uživatelským dohledem. Využíváme Markovův modelu, který je následně použit na predikci chování systému, a algoritmy jsou implementované převážně v R-ku, jejichž distribuované spuštění probíhá v prostředí Sparku. Aby samotné strojové učení mohlo fungovat, musí dojít k předzpracování a vyhodnocení už normalizovaných dat. Otázkou však vždy zůstává, na jakých datech jsme schopní stroje učit.
MOVE FAST AND STAY IN!
SPOLUORGANIZÁTOŘI:
– společnost profiq
– GUG.cz – Česká Google User Group
PODPOROVATELÉ:
– Centrum podpory inovací VŠB – TU Ostrava
– Moravskoslezské inovační centrum Ostrava
